GARY KING

ten program ma na celu poprawę szacowania skutków przyczynowych za pomocą niezwykle potężnej metody dopasowywania, która jest szeroko stosowana i wyjątkowo łatwa do zrozumienia i użycia (jeśli rozumiesz, jak narysować histogram, zrozumiesz tę metodę). Program implementuje algorytm Coarsened Exact Matching (Cem) opisany w:

” wnioskowanie Przyczynowe bez sprawdzania równowagi: Coarsened Exact Matching “(Analiza Polityczna, 2012) i” Multivariate Matching Methods That are monotonic Disbalance Bounding “(JASA, 2011),” CEM: Coarsened Exact Matching in Stata “(Stata Journal, 2009, with Matthew Blackwell), ” Cem: Software for Coarsened Exact Matching.”(Journal of Statistical Software, 2009),” A Theory of Statistical Inference for Matching Methods in Causal Research ” (2017). Zob. również Wyjaśnienie wagi CEM.

dopasowanie jest nieparametryczną metodą wstępnego przetwarzania danych w celu kontroli niektórych lub wszystkich potencjalnie zakłócających wpływów zmiennych kontrolnych obróbki wstępnej poprzez zmniejszenie nierównowagi między grupą leczoną i grupą kontrolną. Po wstępnym przetworzeniu w ten sposób, każda metoda analizy, która byłaby używana bez dopasowania, może być zastosowana do oszacowania skutków przyczynowych, chociaż niektóre metody będą miały jeszcze lepsze właściwości. CEM jest monotonową metodą dopasowywania nierównowagi (MIB) – – – co oznacza, że równowaga między grupami leczonymi i kontrolnymi jest wybierana przez użytkownika ex ante, a nie odkrywana poprzez zwykły żmudny proces sprawdzania po fakcie i wielokrotnego ponownego szacowania, a więc dostosowanie nierównowagi dla jednej zmiennej nie ma wpływu na maksymalną nierównowagę żadnej innej. CEM ściśle ogranicza również poprzez wybór ex ante użytkownika zarówno stopień zależności modelu, jak i średni błąd szacowania efektu leczenia, eliminuje potrzebę oddzielnej procedury ograniczania danych do wspólnego empirycznego wsparcia, spełnia zasadę zgodności, jest odporny na błąd pomiaru, działa dobrze z wieloma metodami imputacji brakujących danych, może być całkowicie zautomatyzowany i jest niezwykle szybki obliczeniowo nawet przy bardzo dużych zbiorach danych. Po wstępnym przetworzeniu danych za pomocą CEM analityk może następnie użyć prostej różnicy w środkach lub jakiegokolwiek modelu statystycznego, który zastosowałby bez dopasowania. CEM sprawdza się również w leczeniu wielu kategorii, określając bloki w projektach eksperymentalnych i oceniając ekstremalne kontrfaktury.

CEM został oficjalnie “zakwalifikowany do użytku naukowego” przez U. S. Food and Drug Administration.

• wyślij wszystkie pytania, błędy i prośby o funkcje na naszą listę mailingową (musisz zapisać się, aby wysłać): Subskrybuj lub przeglądaj/Szukaj w archiwum
• Pakiet CEM dla R:

  • aby zainstalować, z R:
    library (devtools); (install.packages (“devtools”) first if necessary)
    install_github(“https://github.com/IQSS/cem.git”)

  • dla dokumentacji, z R, Typ biblioteki (cem), a następnie?cem (lub opublikowana wersja oprogramowania statystycznego)
  • repozytorium Github: https://github.com/IQSS/cem
• CEM w MatchIt dla R: większość funkcji CEM jest również dostępna za pośrednictwem pakietu r MatchIt: nieparametryczne wstępne przetwarzanie dla parametrycznego wnioskowania przyczynowego.
• Cem dla SAS, Stefano Verzillo, Paolo Berta i Matteo Bossi
  Pobierz Makro Sas Cem (Wersja: 2/2017, pytania: [email protected])
  Zobacz też artykuł JSCS: “%cem: makro SAS do wykonania dokładnego dopasowania”
• CEM dla Stata (Wersja 10 lub nowsza):
  • aby zainstalować, wpisz:
    net zhttps://www.mattblackwell.org/files/stata
    NET install cem
  • możesz również zainstalować z SSC:
    ssc install cem
  • aby uzyskać dokumentację, wpisz “help cem” lub pobierz plik PDF (lub wersję opublikowaną w czasopiśmie Stata: PDF).

• CEM dla SPSS: strona internetowa

• CEM dla SQL( działa z miliardami obserwacji): ZaliQL